Développement et simulation d’un système de contrôle intelligent et résilient des feux de circulation pour les intersections via un apprentissage par renforcement approfondi

Abstract

Avec l'urbanisation rapide, l'optimisation des feux de circulation est devenue essentielle pour réduire les embouteillages et améliorer l'efficacité du transport urbain. Ce mémoire explore l'utilisation de l'apprentissage par renforcement profond (DRL) pour la gestion des feux de signalisation, en se concentrant sur l'optimisation proximale des politiques (PPO). Les expérimentations ont été menées dans l'environnement de simulation SUMO (Simulation of Urban MObility) en utilisant des données réelles. Les résultats montrent que le modèle PPO multi-agents améliore significativement la fluidité du trafic et réduit les temps d'attente par rapport aux méthodes traditionnelles.